Методы построения скоринговых моделей. Требования к данным скоринговых моделей Количественные методы оценки модель кредитного скоринга

Для построения скоринговых моделей (причем независимо от выбранного математического подхода) берется репрезентативная выборка из предыдущих заявителей (от нескольких тысяч до сотен тысяч - что не проблема для отрасли, обслуживающей десятки миллионов клиентов). Для каждого заявителя из выборки извлекается полная информация из анкеты-заявления и информация из его кредитной истории за фиксированный период времени (обычно 12, 18 или 24 мес.). Затем принимается экспертное решение, какую историю считать приемлемой, т.е. является ли клиент "хорошим" или "плохим". Чаще всего "плохим" считается клиент, не выплативший по кредиту 3 месяца подряд. Всегда оказывается некоторое число клиентов, которых нельзя отнести ни к "хорошим", ни к "плохим", поскольку
они либо недостаточно давно получили кредит (прошло слишком мало времени), либо их кредитная история "неясна" (например, были задержки по 3 месяца, но не подряд). Как правило, такие "промежуточные" клиенты исключаются из выборки.
Эмпирические требования к базе данных, используемых для построения скоринговой модели:
размер выборки - не менее 1500 всего, не менее 500 плохих;
четкое определение критерия "плохой"/"хороший". Далеко не всегда ясно, на каком этапе кредитной истории, по какому признаку и на каком уровне разделять "плохих" и "хороших";
четкое определение временного отрезка - периода жизни продукта (зависит от самого продукта и может меняться от месяца - мобильный телефон до десятилетий - ипотека);
стабильность состава клиентской группы - демография, миграции, сохранение привычек потребления;
неявное, но обязательное требование: стабильность экономических, политических, социальных и прочих условий.
При построении кредитных моделей существенным является выбор временного горизонта - отрезка времени между подачей заявления (выдачей кредита) и классификацией "плохой"/"хороший". Анализ показывает, что процент дефолта как функция длительности нахождения клиента с организацией поначалу растет и только через 12 месяцев (кредитные карты) и даже более (разовые займы) начинает стабилизироваться. Таким образом, меньший временной горизонт приводит к недооценке и не учитывает полностью всех характеристик, предсказывающих дефолт. С другой стороны, временной горизонт более двух лет оставляет модель подверженной к сдвигам в составе клиентской группы в течение этого времени, т.к. как состав клиентов в выборке в начале временного горизонта может оказаться существенно отличным от состава клиентов, приходящих в настоящее время. Фактически используются два единовременных среза (в начале и в конце временного горизонта) для создания модели, которая стабильна по времени (за пределами начального временного отрезка). Это и диктует выбор длины временного отрезка - временного горизонта при моделировании.
Другим чрезвычайно важным и дискутируемым вопросом остается соотношение "хороших" и "плохих" в выборке. Должно ли оно отражать реальное соотношение их в составе населения или их должно быть равное число (такое соотношение резко облегчает построение модели с математической точки зрения)?
Далее построение скоринговой модели превращается в классификационную проблему, где входными характеристиками (или параметрами) являются ответы на вопросы анкеты-заявления и параметры (или данные), получаемые в результате проверок из различных организаций (например, полиции, судов, местных советов, кредитных бюро и т.д.), а выходными характеристиками (ответом) - искомым результатом - является разделение клиентов на "хороших" и плохих" согласно имеющимся кредитным историям, сопоставленным по этим входным характеристикам.
Собственно рейтинговая таблица (scorecard) - это система придания численных баллов (счета) характеристикам (или параметрам) заемщика для получения искомого числового значения, которое отражает, с какой вероятностью у заемщика по отношению к другим заемщикам произойдет некое событие или он совершит определенное действие (аспект "по отношению" в определении очень важен).
Кредитная рейтинговая таблица, например, не показывает, какой уровень риска следует ожидать (скажем, какой процент кредитов данного типа, вероятно, не будет возвращен); вместо этого она показывает, как данный заем, скорее всего, будет вести себя по отношению к другим займам. Например, ожидается ли, что процент невозвратов или дефолтов для кредитов с данным набором атрибутов будет больше или меньше, чем у кредитов с другим набором.
Большинство рейтинговых таблиц построены с помощью расчета регрессионной модели - статистической модели, которая проверяет, как отдельный параметр (характеристика) влияет на другой параметр или (чаще всего) на целый набор других параметров.
Регрессионная модель дает в результате своего применения набор коэффициентов (factors), называемых регрессионными, которые можно интерпретировать как корреляцию между искомыми параметрами (которые необходимо определить) и объясняющими параметрами, сохраняя неизменными все остальные воздействия на искомые параметры. Эти коэффициенты превращаются в веса баллов (point weights) в рейтинговой таблице.
Самый часто используемый метод построения рейтинговых таблиц
Чаще всего для построения рейтинговых таблиц используется статистический метод логистической регрессии. Однако для объяснения этого подхода стоит начать с простой линейной регрессии, а потом перейти к логистической - как особого случая линейной.
В простейшем случае линейная регрессия пытается найти линейную связь между двумя переменными: X и К Переменная Y, которую пытаются спрогнозировать, определяется как зависимая (поскольку она зависит от X). Переменная X является объясняющей, поскольку она "объясняет", почему У меняется от одного индивидуума к другому.
С помощью линейной регрессии пытаются выяснить следующее: если меняется X, то насколько

вероятно, что в результате этого также изменится и К Для того чтобы это сделать, необходим набор данных, в котором можно наблюдать множество пар X и соответствующих ему К Когда они будут отложены на плоскости XY и будет получено некое множество, может оказаться, что оно ложится на некую прямую, т.е. есть определенная связь между X и Y, которую можно попытаться аппроксимировать с помощью уравнения:
Y = B_0 + B_1 x X_1
где
B0 - это величина Y, когда X = 0;
B1 - наклон прямой линии.
Эти В. являются коэффициентами регрессии. На практике, скорее всего, окажется несколько объясняющих переменных:
Y = B_0 + B_1 x X_1 + B_2 x X_2 + ... + B_n x X_n.
Логистическая регрессия в сравнении с линейной регрессией
При использовании скоринга, как правило, зависимая переменная принимает значения в очень небольшом диапазоне. Чаще всего работают с бинарной переменной, т.е. такой, которая принимает только два целых значения: так, например, по кредиту дефолт или произошел, или нет; клиент, получивший каталог по почте или ответил, или нет. Как правило, в таком случае дефолту приписывают значение "1", а выплаченному кредиту - значение "0".
Модель в итоге должна оценить вероятность дефолта по кредиту (или ответа клиента на каталог).
И хотя линейная модель иногда используется для расчета рейтинговой таблицы, логистическая регрессия оказывается много удобнее, поскольку она специально построена для случаев, когда зависимая переменная - бинарная (т.е. принимает, как мы уже говорили, только два значения).
Линейная регрессия может давать значения вероятности и меньше нуля, и больше единицы, что лишено смысла. Логистическая модель избегает этого, поскольку работает не с самим бинарным значением зависимой переменной, а с вероятностью или шансами (odds), что это значение действительно реализуется. Логарифм отношения вероятности реализации к вероятности нереализации называют логитом (logit), который может принимать любые значения, как отрицательные, так и положительные. Поэтому для логитов вполне можно использовать модель линейной регрессии (отсюда и название "логистическая").
В модели логистической регрессии объясняющие переменные, умноженные на свои коэффициенты, предполагаются линейными по отношению не к Y, как в линейной регрессии, а к логиту - натуральному логарифму отношения шансов:
ln (p/(1 - p)) = B_0 + B_1 x X_1 + B_2 x B_2 + X_2 + ... + B_n x X_n, где
р - вероятность того, что V произойдет;
р/(1 - р) - отношение шансов.
Шансы и соотношение шансов
Соотношение шансов позволяет сравнивать уровни рисков для разных кредитов. Так, если для одного р1/(1 - p_1) = 0,11, а для другого р2/(1 - р2) = 0,052, то их отношение составит 0,46, т.е. риск невозврата по одному кредиту составляет чуть меньше половины риска невозврата по второму кредиту.
Самые важные выводы из этого следующие: необходимо получать сами шансы и их отношения для разных кредитов из логистических регрессий, т.к. только так удается прямо сопоставить и учесть как влияние отдельных характеристик на уровень риска, так и относительный риск одного кредита по отношению к другому. Попытки обойтись одной рейтинговой таблицей не позволяют оценить рисковость одного кредита относительно другого в силу возможного влияния характеристик, которые были учтены для одного и не учтены для другого.
Вычисление относительных весов отдельных характеристик рейтинговой таблицы
Построив и оценив логистическую модель, можно подставить величины X для любого заявителя или кредита и вычислить счет (score), используя уравнение:

Однако этот счет представлен в шкале натуральных логарифмов, что неудобно для интерпретации. Поэтому счет переводится в линейную шкалу, где определенное число баллов выбирается так, чтобы это число обеспечивало удвоение шансов того, что определенное событие произойдет. Для этого необходимо умножить счет на множитель, равный числу баллов, которое должно представлять удвоение шансов, а затем поделить на 1n(2):
счет по линейной шкале = (В 1 х Х 1 + ... + Вп х Хп) х (20/1п(2)),
если желаемое число баллов, необходимое для удвоения шансов, равно 20.
Иначе, если надо узнать, сколько именно баллов дает каждая характеристика, можно умножить каждое В_1 на (20/(1n(2)), а затем умножить на значение параметра X_1.
Использование КС-статистики для оценки полученной рейтинговой таблицы
Скоринговая таблица конструируется так, чтобы ранжировать различные кредиты в терминах шансов по отношению к определенному событию. Необходимо, чтобы такая скоринговая таблица приписывала кредитам, с которыми происходит некое событие, и кредитам, с которыми оно не происходит, различные счета.
Например, кредитная скоринговая таблица (скоринговая карта) приписывает меньший счет тем кредитам, которые впоследствии испытают серьезные трудности с возвратом или перейдут в дефолт, так что в целом группа плохих кредитов должна иметь меньшие счета, чем группа хороших кредитов.
Для определения качества полученной таблицы строятся графики - кривые распределения процентов хороших и процентов плохих кредитов (от соответствующего общего числа хороших и плохих) в зависимости от величины счета, и качество скоринговой таблицы (карты) характеризуется тем, насколько эти две кривые разделяются.
Именно для численного определения качества разделения и используется статистика Колмогорова-Смирнова (K-S statistics), которая дает числовую меру этого разделения. Статистика КС вычисляется просто: это максимум разности между кумулятивным процентом распределения "хороших" и кумулятивным процентом распределения "плохих". Теоретически статистика КС может принимать значения от 0 до 100, однако на практике она обычно оказывается в диапазоне от 25 до 75.
Примерная градация выглядит так:
меньше 20 - наверное, скоринговая таблица непригодна к применению;
20-40 - неплохая таблица;
41-50 - хорошая таблица;
51-60 - очень хорошая таблица; />61-75 - поразительно хорошая таблица;
больше 75 - вероятно, слишком хороший результат, чтобы быть правдой, наверное, что-то неправильно* (128).
Следует отметить, что качество скоринговых моделей следует постоянно проверять и мониторинг является обязательной процедурой в процессе эксплуатации. Со временем могут меняться как экономические условия, так и поведенческие особенности заемщиков, и только своевременная подстройка или даже замена скоринговых моделей обеспечат эффективное управление кредитными рисками.

Термин «скоринг» в дословном переводе с английского языка означает «подсчет очков». Так называют систему и метод оценки рисков по кредитованию конкретного лица, управления рисками на основе математического прогноза. Банковский скоринг позволяет определить вероятность просрочки выплат, основываясь на информации из кредитной истории и на некоторых других данных. Основным критерием являются баллы, которые раньше начислялись сотрудниками кредитно-финансовых учреждений вручную, а сейчас все чаще рассчитываются специальной программой.

Скоринг эффективно работает в сфере экспресс-кредитования, микрофинансирования, где на рассмотрение заявки у специалиста есть не более часа. В специальную программу заводятся данные потенциального заемщика. Система сравнивает информацию со статистикой. Например, если в базе данных много сведений о том, что люди такого же возраста и/или профессии не возвращали кредиты, то решение может быть отрицательным - банк может отказать без объяснения причин.

Оценка кредитоспособности заемщика − физического лица − в автоматическом режиме основывается на анализе различной информации, среди которой:

идентификационные данные . Обрабатываются данные паспорта, фото заявителя. Уже на этом этапе определяются мошенники, лица, имеющие плохую кредитную историю;
социальное положение . Учитывается пол, возраст заявителя, его образование и место работы. Принимается во внимание адрес регистрации и проживания, наличие семьи, иждивенцев;
финансовое положение . В идеальном варианте необходимо иметь не только достаточный, но и регулярный доход. Некоторые банки учитывают также возможные траты: оплату коммунальных услуг, детского сада и т. д. Многие заявители идут на хитрости, не заявляя об иждивенцах или завышая суммы доходов. При небольших займах это может сработать, но при крупных кредитах банки обычно проверяют данные намного тщательнее;
кредитная история . В оценке кредитоспособности физического лица информация по предыдущим займам имеет одно из решающих значений. Определяются непогашенные кредиты, наличие просрочек и время, в течение которого они были выплачены. Если ссуды обслуживались аккуратно, то система выдаст высокую вероятность такого же поведения клиента в будущем, увеличив скоринговый балл. Такой же принцип работает и в обратную сторону;
транзакционное поведение . Параметр оценки доступен для заявителей, являющихся клиентами кредитно-финансового учреждения. Держатели пластиковых карт, депозитных счетов, участники зарплатных проектов чаще получают высокую скоринговую оценку. Системой оцениваются суммы, на которые совершаются покупки, категории точек продаж.

Все данные проверяются по отдельности и сравниваются между собой на наличие противоречий. Должна быть связь между доходами и расходами, должностью и местом проживания и т. д.

Непредвзятость . Скоринговая система оценки кредитоспособности оперирует фактами и цифрами, не учитывая личностные особенности человека. Сотрудник офиса, принимающий заявку, не может никаким образом повлиять на алгоритм подсчета. Кредитный эксперт не вправе безосновательно отказать в выдаче ссуды, если программа оценила заемщика как платежеспособное лицо.

Оперативность . Подсчет баллов в ручном режиме выполняется в форме таблицы. В отдельные строки специалист самостоятельно вводит данные и присваивает баллы, ориентируясь только на собственный опыт и знания. Процесс трудоемкий и долгий, заявителям приходится ждать по часу и более. Современные программы подсчитывают скоринговый балл в сотни раз быстрее.

Финансовая выгода . Банки, использующие скоринговую систему оценки кредитоспособности, часто предлагают более выгодные условия предоставления ссуд. Просчет рисков и автоматический отсев возможных неплательщиков значительно снижает долю невозврата, которую обычно закладывают в процентную ставку. Это выгодно и заемщику, и кредитору.

В первую очередь необходимо сформировать хорошую кредитную историю, без просрочек. Если своевременные выплаты невозможны по объективным причинам, необходимо как можно раньше сообщить об этом в банк и доказать временную неплатежеспособность. Большинство кредиторов идут навстречу клиентам, предоставляя отсрочки платежа, делая перерасчет или предлагая другие решения. В этом случае история не будет испорчена отказами выплат. Если негативные строчки в истории уже есть, их можно компенсировать своевременно выплаченными кредитами.

Еще один способ, позволяющий повысить скоринговую оценку кредитоспособности, - наличие депозита. Открытый вклад в банке дает понять, что у клиента есть средства для выплаты. То же самое относится к держателям зарплатных карт, которые обычно имеют высокий балл.

Чтобы повысить оценку, необходимо внимательно отнестись к заполнению заявления. Рекомендуется указывать достоверные контактные данные и предупредить всех, чьи телефоны вы вписываете в анкету. Если сотрудник банка начнет прозвон, он должен дозвониться до всех абонентов. В противном случае информацию могут признать недостоверной и отказать из-за этого в кредитовании.

Если вам отказали в ссуде по причине того, что программа скоринга сочла вас некредитоспособным, не стоит отчаиваться. Возможно, настройки алгоритма неблагоприятны для вас только в этом банке. Чтобы проверить это, попробуйте пройти скоринг в нашего сайта.

Изначально скоринг разрабатывался с целью автоматизации процесса решения о выдаче кредита. До внедрения скоринга, решение о том, кому выдать кредит в каком размере, принималось кредитным экспертом. Он решал это, опираясь на опыт и собственное мнение, руководствуясь параметрами клиента, влияющими на его кредитоспособность.

В 1940-х годах началось внедрение скоринговых систем. В 1941 Давид Дюран опубликовал первую исследовательскую работу по кредитному скорингу, в которой оценивал роль различных факторов в прогнозирующей системе. После окончания Второй мировой войны, резко вырос спрос на кредитные продукты, и стало ясно, что традиционные методы принятия решения плохо работают в условиях большого числа клиентов. Взрыв спроса на кредиты, отчасти обусловленный введением кредитных карт, мотивировал кредиторов внедрять автоматизированные системы принятия решения о выдаче кредитов. Параллельное развитие вычислительной техники, способствовало этому и давало возможность обрабатывать большие массивы финансовых данных.

В 1956 году была создана компания FICO, занимавшаяся разработками в области потребительских кредитов. В 60-х годах началось внедрение компьютерных технологий в область скоринга. В 1963 году было предложено использование дискриминантного анализа данных для кредитного скоринга. И, наконец, в 1975 с принятием "US Equal Credit Opportunity Act I", скоринг был окончательно признан.

Важным шагом в развитии кредитного скоринга было появление скоринга поведения (behavior scoring) в начале 90-х. Его целью является предсказание выплат уже имеющихся клиентов.

В недавнее время развитие скоринговых систем было обусловлено регулированием со стороны внешней среды. Как часть требований к достаточности капитала, предъявляемых банкам в связи с вступлением в силу второго Базельского соглашения (Basel Committee for Banking Supervision 2001), учреждения должны внимательно следить за рисками, связанными с их кредитными портфелями. Методы кредитного скоринга позволяют это делать.

С момента введения первой скоринговой системы, использовалось множество математических и статистических методов. Среди статистических можно назвать: дискриминантный анализ, линейную регрессию, логистическую регрессию и дерево принятия решений. Другие методы пришли из математики: математическое программирование, нейронные сети, генетические алгоритмы и экспертные системы. Далее мы разберём наиболее распространённые методы и поговорим об их достоинствах и недостатках.

Практически каждый, кто хоть раз получал отказ в оформлении кредита, слышал от менеджера такую фразу: «Решение было принято скоринговой системой. Ваши показатели надежности в качестве заемщика не соответствуют норме». Какова же эта норма, что такое скоринг и как пройти «кредитный детектор» на «отлично»? Давайте попробуем разобраться.

Общие сведения

Итак, что такое своеобразная система оценки надежности заемщика, построенная на целом ряде параметров. Когда человек подает заявку на получение кредита, первое, что ему предлагают сделать — заполнить анкету. Вопросы анкеты придуманы не просто так. Это и есть скоринговая модель оценивания потенциального заемщика. В зависимости от ответа по каждому пункту присваивается определенное количество баллов. Чем их больше, тем выше вероятность получения положительного решения о выдаче денежных средств.

Тут имеется один нюанс. Если у вас негативная кредитная история, то дальнейшие ответы на вопросы и число набранных баллов чаще всего уже не имеют значения. Уже одного этого факта достаточно для отказа.

Цели и задачи скоринга в современных банках

Любая скоринговая модель, применяемая в системе кредитования, вводится с целью получения таких результатов:

увеличение кредитного портфеля из-за снижения доли необоснованных отказов по кредитам;
ускорение процедуры оценки потенциального заемщика;
снижение уровня невозврата кредитных средств;
повышение качества и точности оценки заемщика;
централизованное накопление данных о клиенте;
снижение резерва на сумму вероятных потерь по кредитам;
оценка динамики изменений индивидуального кредитного счета и всего портфеля кредитов в целом.

Кредитный скоринг: как это работает?

Для достижения поставленных целей в банках применяется скоринговая модель оценки кредитоспособности. Она предполагает минимальное влияние на результат менеджера или сговора сотрудников банка.

Практически вся информация, вносимая в анкету, должна подтверждаться наличием документов. Менеджер банка исполняет в данном случае чисто техническую роль - вносит данные в программу. Когда все пункты анкеты закружены, компьютерная программа просчитывает и выдает результат - количество набранных вами баллов. Дальше ситуация может развиваться по-разному.

Если вы набрали слишком мало баллов, можете быть уверены: в кредите откажут.

Число баллов оказалось намного выше среднего? Если сумма кредита небольшая, решение может быть принято прямо на месте. В случае если вы претендуете на получение довольно внушительной суммы, вам будет объявлено о том, что первый этап проверки вы прошли, и заявка передана на рассмотрение в службу безопасности банка.

Количество баллов «плавает» посерединке? Менеджер, скорее всего, потребует привести поручителя или назначит серию дополнительных проверок.

Виды скоринга

В общем случае скоринговая модель состоит из семи видов оценки, четыре из которых имеют отношение к кредитованию, а три — к маркетингу. Для кредитной практики характерны такие виды скоринга:

По заявкам (Application-скоринг). Эта модель чаще всего используется для оценки надежности и платежеспособности клиентов. Построена она, как уже было сказано, на оценивании анкеты и присвоении каждому ответу соответствующего количества баллов.
От мошенничества (Fraud-скоринг). Помогает вычислить потенциальных мошенников, сумевших пройти первый этап тестирования. Принципы, способы и методы тестирования на мошенничество являются коммерческой тайной каждого банка.
Прогноз поведения (Behavioral-скоринг). Тут проводится анализ поведения заемщика по отношению к кредиту, вероятность изменения платежеспособности. По результатам оценивания проводится корректировка максимальной суммы кредита.
Работа по возвратам (Collection-скоринг). Эта модель применяется к проблемным кредитам, на стадии возврата неоплаченных задолженностей. Программа помогает сформировать план мероприятий по возврату кредита: от предупреждения до передачи дела в суде или коллекторскую фирму.

Три остальных вида выглядят так:

Предпродажная оценка (Pre-Sale) — выявляет потенциальные потребности заемщика, позволяет предложить дополнительно тот или иной продукт.
Отклик (Response) — оценивает вероятность согласия клиента с предложенными программами кредитования.
Оценка истощения (Attrition) — оценка вероятности того, что клиент прекратит свои взаимоотношения с банком на данном этапе или в будущем.

Недостатки скоринговой системы

Оценка кредитоспособности физических лиц имеет свои недостатки. Основным является то, что система недостаточно гибкая и плохо адаптируется под реальные параметры. Например, скоринговая модель, принятая в США, поставит высокий балл человеку, сменившему большое количество мест работы. Такой человек считается замечательным специалистом, очень востребованным на рынке труда. У нас же такой факт сыграет с заемщиком злую шутку. Наибольшее количество баллов получит человек, имеющий всего одну запись в трудовой. Если заемщик часто меняет работодателя, то он считается неблагонадежным, неуживчивым и плохим специалистом. Его рейтинг в глазах банка стремительно падает, ведь за следующим увольнением может и не последовать новая работа, а значит, начнутся просрочки в платежах.

Чтобы максимально адаптировать систему под наши условия жизни, анкеты для оценки должны разрабатывать специалисты высочайшей категории и квалификации. Но любые результаты, полученные подобным образом, все равно будут зависимы от мнения и влияния человека. Так что абсолютно беспристрастной оценки все равно не получается.

Так что любая система скоринга имеет, по крайней мере, два недостатка:

дороговизна адаптации под современные реалии;
влияние субъективного мнения специалиста на выбор модели оценки клиента.

Кроме того, сама система оценивания также несовершенна. Дело в том, что при выставлении баллов учитывается только формальное положение вещей. Система не способна правильно оценивать реальность. Например, если клиент имеет комнатку в коммуналке на Арбате, то система поставит ему высокий балл. Ведь имеется московская прописка и жилье в центре. А шикарный особняк площадью в несколько тысяч квадратных метров, расположенный в небольшом поселке на берегу Черного моря, система обозначит как «жилье в селе» и снизит балл за отсутствие московской прописки.

Какие данные участвуют в построении модели

В тех случаях, когда проводится оценка кредитоспособности физических лиц, сотрудник банка должен опираться на целый ряд критериев. Все их можно разделить на три большие группы, в каждую из которых входит множество показателей.

семейное положение;
возраст;
наличие детей, их возраст и количество.

Финансовые:

сумма основного ежемесячного дохода;
место работы, должность;
количество записей в трудовой книжке;
период трудоустройства в последней фирме;
наличие обременений (долгов, непогашенных кредитов, алиментов и других выплат);
наличие собственного жилья, автомобиля, банковских счетов и депозитов.

Дополнительные:

существование дополнительных источников дохода, не подтвержденных документально;
возможность предоставления поручителя;
другие сведения.

Скоринговая модель оценки кредитоспособности юридического лица построена немного по-другому. Тут ключевыми параметрами считаются Но поскольку они рассчитываются исходя из финансовых отчетов кампании-соискателя, то в случае чего они могут быть скорректированы. С учетом такой возможности объективность оценки сильно уменьшается. Поэтому для оценки юридических лиц применяется скоринг с динамическими показателями.

Первый шаг основывается на сборе сведений, которые нельзя исчислить материальными показателями. К ним относятся положение на рынке, экспертное мнение о финансово-экономической устойчивости.

Следующий шаг — определение финансовых показателей. Здесь изучаются коэффициенты ликвидности, обеспеченности собственными средствами, объективные показатели финансовой устойчивости, рентабельности, оборачиваемости средств и так далее.

По итогам двух независимых оценок банк принимает решение о выдаче займа.

Кто может получить высокую оценку

Если говорить о физических лицах, то тут оценка заемщика также проводится по многим показателям. Существует множество факторов, способных положительно повлиять на рейтинг:

высокая зарплата;
наличие собственного движимого и недвижимого имущества;
долгий срок проживания в конкретном регионе;
наличие депозитов;
документальное подтверждение доходов;
наличие стационарного телефона дома и на работе;
подтверждение официального трудоустройства, особенно на государственных предприятиях и в бюджетной сфере;
наличие открытых счетов (депозитных, пенсионных, расчетных) в банке-кредиторе;
наличие значительной суммы авансового платежа при получении ипотеки или автокредита;
возможность предоставления рекомендаций, поручителя или созаемщика;
отличная кредитная история.

Как обмануть систему и можно ли это сделать?

Считается, что раз оценку проводит бездушная машина, то можно ее обмануть, заранее выяснив «правильные» ответы на вопросы. На самом деле это далеко не так.

Скоринговая модель оценки клиента построена таким образом, что все ответы на вопросы можно проверить при помощи соответствующих документов. Кроме того, банки часто объединяются в целые сети и сбрасывают результаты своих проверок в одну общую систему. Так что если в процессе дополнительной проверки обман будет выявлен, на вашей репутации заемщика будет поставлен жирный крест. Нигде и никогда вы больше кредита не получите.

Приукрасить действительность можно попытаться лишь в том случае, когда данные в систему вносятся лишь со слов клиента. Однако найти такой банк довольно трудно, и проценты там настолько грабительские, что вы и сами вряд ли захотите оформить там кредит.

Скоринг и история кредитования

Если учесть, что как минимум половина жителей нашей страны уже имела опыт обращения за кредитом, в первые ряды выходит такой показатель оценивания заемщика, как кредитная история. Поскольку БКИ с некоторых пор пополнились данными о заемщиках микрофинансовых организаций и других подобных учреждений, на рынке появились скоринговые модели, скорректированные с учетом наличия и состояния кредитной истории.

Эти модели оценивают заемщиков по вероятности невозврата денежных средств, возникновения просрочек, количеству ранее погашенных кредитов и других параметров.

Кроме того, банкам предлагается услуга автоматического информирования о клиентах. Подключив такую услугу, банк будет знать:

об открытии клиентом счетов в других финучреждениях;
о получении новых кредитов;
о возникновении любых просрочек;
новые паспортные данные клиента;
об изменении лимитов по счетам, кредиткам и так далее.

Это позволит еще больше отрегулировать систему банковского скоринга и получать максимум информации о потенциальных заемщиках.

Как уже отмечалось, для построения модели оценки кредитного риска необходим некий набор переменных, к которым предъявляется следующее требование - выбранные переменные должны влиять на кредитоспособность заемщика и «сила» такого влияния не должна быстро изменяться с течением времени. Говоря другими словами, скоринговая оценка основывается на гипотезе, что кредитному качеству заемщика можно сопоставить одно число и что выявленная зависимость указанного числа от факторов риска кредитоспособности стационарна. Сама суть скоринговой системы достаточно проста, но за внешней простотой скоринга скрывается ряд “подводных камней”.

Первый “подводный камень” скоринга - это сложность в определении, какие характеристики следует включать в модель, и какие весовые коэффициенты должны им соответствовать. Именно от выбора исходных данных в большей степени зависит качество итоговой оценки и, в конечном счете, эффективность оценки риска и доходность кредитного портфеля. К этой проблеме имеется несколько подходов, классическим подходом является, безусловно, обучающая выборка компаний-клиентов, о которых уже известно, хорошими заемщиками они себя зарекомендовали или нет. Помимо этого, предъявляются определенные требования и к размеру выборки - он должен быть адекватным сложности создаваемой модели. В большинстве моделей, которые обсуждаются в литературе, это требование выполняется лишь частично. Например, в широко известной модели Альтмана, которая оценивает кредитоспособность крупных заемщиков, количественный состав обучающей выборки был явно мал - всего 22 переменные. В целом, размер выборки не является проблемой в западных странах, однако в нашей стране для разработки действительно эффективной системы нужны исторические данные по выданным кредитам, что является проблемой для многих российских банков. Для этого банкам нужно выдать кредиты, оценить, какая часть из них является «хорошей», а какая «плохой» (кредиты не были возвращены) и только после этого банк может приступить к созданию системы скоринга. В этих условиях значимость информации, сохраняемой в БКИ, существенно возрастает. В силу сказанного можно сделать однозначный вывод: от применения “готовых” западных систем к нашим заемщикам нет никаких оснований ожидать повышения эффективности кредитного портфеля.

Как происходит оценка риска невозврата кредитов потенциальными заемщиками? Рассмотрим процедуру оценки на примере юридических лиц. Основная идея заключается в том, что в качестве “характеристик” потенциального заемщика в пространство исходных факторов должны быть включены такие параметры, которые присутствуют у любого юридического лица. Отсюда и делается, казалось бы, вполне логичный вывод - такие параметры есть, и это финансовые индикаторы. Вот второй “подводный камень”: так как по своей сути финансовые индикаторы отражают характеристики потоков денежных средств предприятия и вычисляются на основе данных отчетности, то они достаточно сильно коррелированны, то есть взаимосвязаны между собой. А коррелированность пространства факторов риска не может не сказаться на качестве итоговой оценки, причем, естественно, в худшую сторону, так как размерность пространства просто уменьшается - из множества финансовых коэффициентов можно составить всего несколько агрегированных параметров, которые и будут “настоящими” входными данными скоринговой системы.

В качестве примера, подтверждающего наличие указанной нами проблемы можно привести довольно интересное исследование финских авторов, проведенное после банковского кризиса в Финляндии в 1992 году - “Choosing Bankruptcy Predictors Using Discriminant Analysis, LOGIT Analysis and Genetic Algorithms”, в котором на основе трех методов, используемых в качестве математического аппарата в скоринговых системах, по известным финансовым коэффициентам 37 финских компаний-банкротов был проведен выбор наиболее значимых параметров для данного типа анализа (приложение 2) Скажи, кто твой заемщик, и я скажу кто ты. 08.10.2003:

Данный пример показывает, что из финансовых коэффициентов, количество которых составляет 31 по каждой из 37 компаний-банкротов, достаточно четко можно выделить всего 7 агрегированных факторов, то есть пространство входных данных, из-за взаимосвязанности финансовых коэффициентов между собой, не 31-мерное, а лишь 7-мерное (приложение 2, табл.2).

А теперь обратим внимание на следующий “подводный камень”, который затрудняет процесс создания скоринговых моделей: Как можно заметить из таблицы 4.1., само количество значимых параметров, и, естественно, их веса, непостоянно и меняется от периода к периоду.

Таким образом, модель скоринга с фиксированным количеством параметров не может быть постоянно максимально эффективной в динамике. Причиной этого является тот факт, что за разные временные отрезки до банкротства для описания кредитоспособности заемщиков необходимо разное количество факторов риска.

Таблица 4.1

Выбор значимых переменных для предсказания банкротств и динамика модели

Более того, состав этих факторов изменяется от года к году, что делает крайне затруднительным сбор статистической информации для создания моделей скоринга. Фактически, полученные финскими исследователями данные указывают на необходимость сбора и накопления максимально широкого состава данных, которые потенциально могут быть полезными для моделирования кредитоспособности заемщиков. Естественно, все вышеперечисленные “подводные камни” влияют, прежде всего, на точность итоговой оценки. В вышеупомянутой публикации точность итоговой оценки для моделей скоринговых систем, построенных с применением разных методов, проверялась на той же самой выборке, на которой система и “обучалась”, что делать категорически нельзя, потому что на такой выборке ошибок быть практически и не должно. Однако проверка точности скоринговых оценок, полученных при помощи двух применяемых методов, даже на этих данных показала наличие ошибочных оценок (от 2.7 % до 28.4 % случаев, см. табл. 4.2.).

Приведенные данные можно интерпретировать следующим образом: граница между «хорошими» и «плохими» заемщиками в пространстве факторов риска имеет сложную геометрию. Сложность этой границы определяет высокий уровень требований к используемым для обучения скоринговой модели данным (их составу и количеству), причем геометрия границы такова, что даже нелинейные методы классификации (генетические алгоритмы) дают значительный процент ошибок.

Таблица 4.2.

Точность скоринговых оценок

Безусловно, все перечисленные “подводные камни” сказались на результатах в полной мере. Хотелось бы еще раз подчеркнуть, что изначально целью скоринговой системы является только отнесение потенциального заемщика к одной из двух групп - “хороший” или “плохой”, и скоринг не ставит перед собой цель сравнивать заемщиков одной из этих групп между собой. Однако при неправильном выборе исходных факторов риска или при неучете значимых факторов мы вполне можем столкнуться с ситуацией, когда в пространстве итоговых оценок не выделяются две группы компаний (“хорошая” и “плохая”) или даже с ситуацией, когда выделяются три и больше групп.

На основании приведенных результатов можно сделать следующие выводы:

? Точность итоговой оценки уровня кредитоспособности в очень большой степени зависит от исходных данных (выбора факторов риска и их «весов»).
? Коррелированность пространства факторов риска ухудшает итоговую точность оценки (из-за снижения фактической размерности пространства исходных данных).

К тому же огромные ошибки в итоговых оценках дают право говорить о том, что для скоринга юридических лиц в качестве исходных данных одних только финансовых коэффициентов недостаточно.

Теоретически, для разработки действительно эффективной системы скоринга необходима значительная выборка компаний за несколько лет с уже известными результатами (вернули / не вернули кредит) и “обучение” системы на этой выборке, но в России подобной статистики пока просто не существует. Более того, говоря о значимости информации, сохраняемой в БКИ для создания национальных моделей скоринга нельзя не упомянуть о том, что крайне желательна регламентация той информации, которая собирается в бюро о заемщиках. Отсутствие стандартов на состав предоставляемой информации будет резко обеднять значимость самого закона в контексте скоринга.

В силу того, что на западе системы скоринга имеют уже солидную историю, логично было бы предположить, что их можно свободно применять в нашей стране, не создавая своих собственных. Однако внедрение западных систем в России существенно затруднено. У России есть свои особенности, связанные с нестабильностью экономики страны в целом, «перекосом» в развитии отраслей и межотраслевых связей, большой долей теневых доходов и др., что, соответственно, сказывается на параметрах отдельных потенциальных заемщиков.

Приведенные рассуждения относительно систем скоринга кредитоспособности юридических лиц применимы и для скоринговой оценки физических лиц. В частности, проиллюстрируем конкретным примером сложность использования западных систем скоринга в России (таблица 4.3.). Использование западных систем скоринга затруднено тем, что там одним из самых значимых показателей является возраст потенциального заемщика (для Великобритании, Франции и Германии): чем старше человек, тем его скоринг выше (он трактуется как надежный заемщик). Очевидна логика работы такой системы на Западе - проработавший всю жизнь человек успел накопить как средства, так и кредитную историю. У нас, с очевидностью, эта логика будет инвертированной: чем старше заемщик, тем его скоринг (кредитоспособность) ниже.

Таблица 4.3.

Сравнение показателей скоринга в разных странах для физических лиц

Великобритания	Германия

Количество детей/иждивенцев	Количество детей/иждивенцев	Цель кредита
Профессия	Квалификация	Профессия
Профессия супруга(и)	Семейное положение	Семейное положение
	Способность погашать задолженность	Чистый годовой доход
Доход супруга(и)	Наличие обеспечения	Участие клиента в финансировании сделки
Район проживания
Стоимость жилья	Способ найма жилища	Владение недвижимостью
Наличие телефона	Сфера занятости
Сколько лет живет по данному адресу	Наличное имущество
Великобритания	Германия
	Трудовая деятельность у последнего нанимателя	Сколько лет работает на данной работе
Сколько лет является клиентом данного банка	Кредиты, полученные в банке ранее	Срок кредита
Наличие кредитной карточки/чековой книжки	Информация кредитно-справочного бюро	Сумма на банковском счете

При анализе переменных, включенных в модели скоринга, и их сравнительной значимости, возникает масса и других вопросов (о значимости профессионализма заемщика, о его доходе, о длительности работы на одном месте и.т.д.). Веса этих переменных в западных моделях скоринга сильно отличаются от российских (на примере значимости возраста заемщика можно говорить, что меняется не только вес переменной, но и ее знак).

Еще одной из важных переменных для скорнга физических лиц являются доходы потенциальных заемщиков. В нашей стране, они часто не совпадают с реальными (рис. 4.1.) Черкашенко В.Н. Этот «загадочный» скоринг, Банковское дело, № 3, 2006. Таким образом, не имея достоверной информации и доходах, банки должны уметь оценивать, используя скоринг, соответствие заявленного дохода другим параметрам заявителя. Использование при скоринге заемщиков требований к доказательству своих доходов будет снижать привлекательность банковского кредита для заемщика и те из банков, которые на это пойдут, будут, скорее всего, терять часть своей клиентской базы.

Рис. 4.1.

Однако ситуация далеко не безнадежна, и учиться не на собственном печальном опыте, выдавая “плохие кредиты” и набирая статистику, все-таки можно. Скоринговая система должна “обучаться” на некоторой выборке, а если выборка мала, то можно использовать модели, эту выборку «размножающие» и/или имитирующие, исходя из имеющихся данных. В данном случае можно использовать опыт персонала банка, осуществляющего кредитование населения. Он позволяет сконструировать скоринговые модели, называемые экспертным скорингом. Для этого, во-первых, выявляются факторы риска, определяющие кредитоспособность. Во-вторых, на этих факторах риска необходимо сгенерировать выборку «искусственных» заемщиков. Эта выборка может быть предъявлена экспертам, которые превратят ее в обучающую выборку, классифицировав всех заемщиков на «плохих» и «хороших». После этого выборка может быть предъявлена программе скоринга для обучения. Понятно, что обучить систему также эффективно, как и на реальных данных, в те же сроки таким образом невозможно, однако данный подход, безусловно, будет гораздо эффективнее, чем “готовые” западные системы.

Более того, внедрение скоринговой методики оценки кредитоспособности заемщиков осложнено сильной дисперсностью наших регионов по условиям социально-экономического развития, система оценки риска будет различаться от региона к региону.

Для группировки регионов России Черкашенко В.Н. в статье «Этот «загадочный» скоринг» 35 были выбраны следующие экономические свойства: темп роста ВРП, отношение инвестиций в регионе к ВРП, объем основных фондов к ВРП, отношение занятого в экономике населения к общей численности населения, отношение экспорта из региона к ВРП, среднедушевые доходы. Эти характеристики, по мнению автора, определяют перспективность регионов для кредитования. Решение о группировке регионов по этим свойствам не является тривиальной задачей - пространство переменных шестимерно, так что «увидеть» структуру, имеющуюся в данных, не представляется возможным. Для решения данной задачи автором был использован метод, который гарантированно обеспечивает одно важнейшее свойство - использованный метод проецирует многомерные образы регионов на плоскость без нарушения свойств образов в исходном пространстве; близкие по используемым свойствам с исходном пространстве остаются близкими и на плоскости. Результаты такого анализа региональной неоднородности РФ приведены на рисунке (Рис. 4.2.).

Те регионы, показатели которых похожи находятся на двумерной карте рядом друг с другом, в соседних ячейках, и окрашены в один и тот же цвет. Как видно из приведенных результатов, регионы России распадаются на 8 групп, которые отличаются по своим свойствам. В контексте скоринговой оценки это означает, что для эффективного скоринга нам необходимо восемь моделей скоринга, структура которых может быть и одинаковой, но вот веса входящих в эти модели факторов риска должны обязательно отличаться.

Рис. 4.2.

В первую группу входят регионы, характеризующиеся высоким уровнем инвестиций, большой долей активного населения и высокими среднедушевыми доходами. Эффективность использования основных фондов там выше среднего. Это означает, что данный кластер привлекателен с точки зрения кредитования как населения, так и экономики.

Таким образом, прямой перенос какой-либо западной модели оценки кредитного скоринга на российскую почву, без основательной переделки, затруднен (фактически, надо создавать восемь новых моделей скоринга для выявленных групп регионов). Черкашенко В.Н. Этот «загадочный» скоринг // Банковское дело, № 3, 2006 г.

Подведем итог сказанному. Для построения скоринговой модели должно быть избыточное количество переменных - факторов, которые характеризуют заемщика. Причем со временем (при изменении макроэкономической ситуации, финансового состояния заемщика) меняется интерпретация данных, возрастает или напротив снижается значимость отдельных факторов. Значения этих факторов, заявляемые заемщиками, особенно по доходам, тоже вызывают сомнения. Поэтому скоринговая модель, учитывая данные факты, должна на основе имеющихся статистических данных уметь высчитывать реальные значения факторов.